Glimpse vs Kolibri: สองวิธีในการซื้อพลังประมวลผลต่อโทเคนให้ได้มากขึ้น

Elorian Glimpse และ Kolibri เป็นสองคำตอบสำหรับคำถามทางเศรษฐกิจข้อเดียวกัน — คุณจะได้ความสามารถต่อหน่วยการประมวลผลมากขึ้นได้อย่างไร — และทั้งสองอยู่คนละสุดของคำถามนั้น Glimpse ซึ่งเปิดตัวโดย Elorian เมื่อวันที่ 16 ตุลาคม 2026 ซื้อความสามารถของมันในขั้นตอนการอนุมาน: มันรันรอบแรกบนคลิปที่ราว 8 เฟรมต่อวินาที จากนั้นใช้การประมวลผลเพิ่มเติมสแกนซ้ำช่วงเก้าในสิบของวินาทีที่เลือกไว้ที่ราว 14 เฟรมต่อวินาที ก่อนจะตอบ Kolibri ซึ่งเปิดตัวโดย Aleph Alpha เมื่อวันที่ 3 ตุลาคม 2026 ซื้อความสามารถของมันในขั้นตอนสถาปัตยกรรม: พารามิเตอร์รวม 78.1 พันล้านตัว ซึ่งมีเพียงราว 3.46 พันล้านตัวที่ทำงานต่อโทเคน ดังนั้นแทบทุกพารามิเตอร์ในโมเดลคือตัวที่คุณไม่ต้องจ่ายเพื่อประเมิน

สองสิ่งนี้ใช้แทนกันไม่ได้ และเหตุผลไม่ใช่เรื่องคุณภาพ ตัวหนึ่งเป็นพรีวิวแบบโฮสต์ที่ไม่มีเวต ไม่มีจำนวนพารามิเตอร์ที่เปิดเผย และไม่มีหน้าต่างบริบทที่เปิดเผย อีกตัวเป็นดาวน์โหลดภายใต้ Apache 2.0 ซึ่งการ์ดโมเดลระบุจำนวนผู้เชี่ยวชาญ ตาราง attention รูปแบบตัวเลข ความครอบคลุมภาษาของโทเคไนเซอร์ และค่าไฟฟ้าที่แน่นอนของการรันฝึก การเปรียบเทียบทั้งสองจึงเป็นการเปรียบเทียบกลยุทธ์สองแบบอย่างแท้จริง และคำถามที่น่าสนใจคือกลยุทธ์ไหนจะอยู่รอดเมื่อต้องเผชิญกับเวิร์กโหลดของคุณ

อัตราส่วน 22 ต่อ 1 เทียบกับอัตราส่วนที่ไม่มีใครเผยแพร่

Kolibri เป็นโมเดล sparse mixture-of-experts และความเบาบางนั้นสุดขั้วแม้ตามมาตรฐานปัจจุบัน ห้าสิบเลเยอร์ ทุกเลเยอร์เป็น mixture of experts มีผู้เชี่ยวชาญ 384 คนต่อเลเยอร์ โดยหนึ่งคนเป็นแบบใช้ร่วมและหกคนเป็นแบบกำหนดเส้นทาง นั่นคิดเป็นอัตราส่วนรวมต่อที่ใช้งานประมาณ 22.6 ต่อ 1 — โมเดลที่มีพารามิเตอร์ 78 พันล้านตัว แต่ประเมินเพียงประมาณ 3.5 พันล้านตัวในแต่ละโทเค็นที่กำหนด Aleph Alpha สลับสิ่งนี้ในรูปแบบ 4 ต่อ 1 กับบล็อก group-query attention ซึ่งเป็นสิ่งที่ทำให้คอนเท็กซ์พื้นเมืองขนาด 262,144 โทเค็นมีค่าใช้จ่ายที่จ่ายไหว: เส้นทางล้านโทเค็นได้รับการตรวจสอบความถูกต้อง และ KV cache ถูกเก็บใน FP8 เพื่อให้ช่วงปลายยาวของหน้าต่างนั้นพอดีในหน่วยความจำแทนที่จะอยู่ในสเปรดชีต

การเปิดเผยตัวเลือกด้านรูปแบบตัวเลขนั้นละเอียดในระดับที่ผิดปกติ น้ำหนักเป็น FP8 ในบล็อกขนาด 128×128 KV cache เป็น FP8 ส่วน embedding, head ของโมเดลภาษา, เลเยอร์การทำนอร์มัลไลเซชัน และ router ยังคงเป็น bfloat16 — ซึ่งเป็นส่วนที่ความเสียหายจากการควอนไทซ์จะปรากฏในการตัดสินใจของ routing มากกว่าในค่า loss มีการเปิดให้ใช้ระดับความพยายาม (effort) อยู่สี่ระดับ การเรียกใช้เครื่องมือ (tool calling) ทำตามรูปแบบ Hermes ด้วย parser ของ vLLM ซึ่งหมายความว่ามันเสียบเข้ากับ agent stack ที่มีอยู่ได้เลย แทนที่จะต้องทำการผสานรวมแบบเฉพาะทาง

Glimpse ไม่ได้เปิดเผยสิ่งเหล่านั้นเลย ไม่มีจำนวนพารามิเตอร์ ไม่มีโครงสร้างผู้เชี่ยวชาญที่กล่าวถึงได้ ไม่มีหน้าต่างบริบท ไม่มีรูปแบบการควอนไทซ์ ไม่มีชื่อโมเดลฐาน — มีเพียงวลี "ผ่านการฝึกต่อบนโมเดลฐานแบบเปิดน้ำหนัก" ซึ่งไม่ได้ระบุว่าเป็นตัวไหน สิ่งที่เปิดเผยแทนคือเทรซ: รอบแรกที่ประมาณ 8 เฟรมต่อวินาที การอ่านเบื้องต้น การย้อนกลับไปที่ 0.9 วินาทีของคลิปที่ประมาณ 14 เฟรมต่อวินาที และในตัวอย่างที่สอง ขอบหน้าต่างถูกติดตามตั้งแต่ประมาณวินาทีที่ 2.2 เข้าไปในคลิปจนกระทั่งเกือบหยุดที่ 5.13 วินาที

ทั้งสองอย่างนั้นเป็นการเปิดเผยเกี่ยวกับการประมวลผล ของ K​olibri เป็นข้อความที่บอกว่าการประมวลผลไปที่ใดเมื่อโมเดลโหลด ของ G​limpse เป็นข้อความที่บอกว่าการประมวลผลไปที่ใดในขณะที่โมเดลกำลังคิด มีเพียงหนึ่งในนั้นเท่านั้นที่มาพร้อมกับตัวเลข

ชีตที่เผยแพร่แล้วเคียงข้างกัน

• ขนาด — K​olibri: พารามิเตอร์ทั้งหมด 78,103,074,560 พารามิเตอร์ที่ใช้งาน 3,457,573,120 G​limpse: ไม่เผยแพร่ โดยมี "เล็กกว่าและถูกกว่าอย่างมากเมื่อเทียบกับระบบแนวหน้าที่ใช้เป็นเกณฑ์เปรียบเทียบ" เป็นข้อความเกี่ยวกับขนาดเพียงข้อความเดียวที่ E​lorian กล่าว

• การเข้าถึง — เวตโมเดลภายใต้สัญญาอนุญาต Apache 2.0 สำหรับ Kolibri ดาวน์โหลดได้และโฮสต์เองได้ ส่วน Glimpse ไม่มี เพราะให้บริการเฉพาะ API และแชท โดยสมัครใช้งานฟรี

• บริบท — 262,144 โทเคนแบบเนทีฟสำหรับ Kolibri โดยมี 1,048,576 ที่ผ่านการตรวจสอบแล้ว ไม่ได้ประกาศเผยแพร่สำหรับ Glimpse ซึ่งเป็นช่องว่างที่น่าอึดอัดยิ่งกว่า เพราะความสามารถที่เป็นจุดขายหลักของมันคือการอ่านวิดีโอ

• ภาษา — เยอรมันและอังกฤษสำหรับ K​olibri ซึ่ง A​leph Alpha นำเสนอว่าเป็นทางเลือกด้านการออกแบบมากกว่าจะเป็นข้อจำกัด G​limpse ไม่เปิดเผยข้อมูลความครอบคลุมด้านภาษาใด ๆ เลย

• ราคา — $0.60 ต่อล้านโทเคนอินพุต และ $3.00 ต่อล้านโทเคนเอาต์พุตสำหรับ G​limpse — และกลไกนี้หมายความว่าโทเคนเอาต์พุตคือจุดที่การสแกนซ้ำปรากฏขึ้น ดังนั้นร่องรอยจึงเป็นใบเสร็จ K​olibri ไม่มีตารางราคา เพราะค่าใช้จ่ายคือฮาร์ดแวร์

• การประเมินโดยอิสระ — แทบไม่มีเลยสำหรับทั้งสองฝ่าย ทั้งสองฝ่ายไม่มีชุดทดสอบของบุคคลที่สามที่จำลองตัวเลขของตนได้ และชุดตัวเลขที่เผยแพร่ทั้งสองชุดก็เป็นของผู้ขายเอง

การรันฝึกที่ A​leph Alpha เผยแพร่ฉบับเต็ม

นี่คือจุดที่ K​olibri แตกต่างจากเกือบทุกรีลีสของปีนี้ และมันคุ้มค่าที่จะไล่ดูให้ละเอียด เพราะมันบอกคุณว่าการสร้าง sparsity ต้องแลกมาด้วยอะไร

คลังข้อมูลก่อนการฝึกมี 20 ล้านล้านโทเคน แบ่งโดยประมาณเป็นภาษาอังกฤษ 62.5% เยอรมัน 23.9% และโค้ด 13.6% การฝึกช่วงกลางเพิ่มโทเคนอีก 3.44 ล้านล้าน และขั้นตอนบริบทแบบยาวมีส่วนสนับสนุน 201 พันล้าน การรันนี้ใช้ตัวเร่ง N​VIDIA B200 จำนวน 768 ตัว กระจายใน 96 โหนด HGX ใช้เวลา 21 วัน และ 511 ชั่วโมงของเวลานาฬิกา และใช้ไปประมาณ 392,000 GPU-ชั่วโมง — การดำเนินการจุดลอยตัว 6.4×10²³ ภายใต้งบประมาณพลังงานประมาณ 9.5×10² เมกะวัตต์-ชั่วโมง

ตัวเลขเหล่านั้นคือราคาที่แท้จริงของโมเดลที่มีพารามิเตอร์ใช้งานจริง 3.46 พันล้านตัว ซึ่งทำงานราวกับว่าใหญ่กว่านั้นมาก พวกมันยังไม่สามารถทำซ้ำได้สำหรับใครก็ตามที่อยู่นอกแล็บที่มีทุนหนา และนั่นคือข้อโต้แย้งที่ตรงเป๊ะสำหรับการเปิดน้ำหนักโมเดล: ต้นทุนการฝึกจ่ายเพียงครั้งเดียวโดยบริษัทที่เผยแพร่การ์ด และทุกคนที่อยู่ปลายน้ำได้อาร์ติแฟกต์ไปในราคาเพียงค่าดาวน์โหลด

รุ่นก่อนหน้านี้ให้บทเรียนที่เป็นประโยชน์ K​olibri Origin มี 30.6 พันล้านพารามิเตอร์ โดยมี 3.27 พันล้านพารามิเตอร์ที่ใช้งานอยู่ มีคอนเท็กซ์ 65,536 โทเคน และใช้โทเคนฝึก 7.51 ล้านล้านโทเคน — และมันไม่เคยเปิดตัว โมเดลที่เผยแพร่นั้นไม่ใช่ความพยายามครั้งแรก แต่เป็นครั้งที่สอง และช่องว่างระหว่างทั้งสองก็ประมาณเท่ากับช่องว่างระหว่างต้นแบบกับผลิตภัณฑ์

สำหรับ G​limpse ไม่มีอะไรที่เทียบเคียงได้ E​lorian กล่าวเพียงว่าโมเดลนี้ถูก post-trained โดยทีมเล็ก ๆ ที่มี GPU ไม่กี่ร้อยตัว ไม่มีการระบุชื่อโมเดลฐาน ไม่มีจำนวนโทเค็น ไม่มีคำอธิบายข้อมูล ไม่มีการเปิดเผยการใช้ทรัพยากรประมวลผล นั่นเป็นความแตกต่างที่สมเหตุสมผลระหว่างการเผยแพร่ checkpoint กับการส่งมอบ endpoint — คุณเปิดเผยสิ่งที่คุณส่งมอบ — แต่มันหมายความว่าการเปิดตัวทั้งสองไม่สามารถเปรียบเทียบกันในเชิงเศรษฐศาสตร์ได้นอกเหนือจากอัตราค่าบริการ เพราะมีเพียงหนึ่งในนั้นที่เปิดเผยต้นทุนของตน

เซลล์จำนวนพารามิเตอร์ที่ว่างเปล่า

นี่คือกับดักในการเปรียบเทียบนี้ และมันเข้าข้าง G​limpse

เป็นเรื่องง่ายที่จะอ่านค่าพารามิเตอร์ที่ใช้งานอยู่ 3.46 พันล้านตัวของ K​olibri แล้วสรุปว่า G​limpse — ซึ่งเป็นแบบโฮสต์ มีค่าใช้จ่ายต่อโทเคนถูก และมุ่งเป้าไปที่ความสามารถเฉพาะด้านแคบ ๆ — ต้องมีขนาดเล็ก หรือต้องมีต้นทุนการรันต่ำ หรือต้องเป็นไฟน์จูนของบางสิ่งที่ไม่ใหญ่โตอะไรนัก ไม่มีข้อสรุปใดตามมาเช่นนั้น จำนวนพารามิเตอร์ของ G​limpse ไม่เคยถูกเผยแพร่ หน้าต่างบริบทของมันไม่เคยถูกเผยแพร่ โมเดลฐานของมันไม่เคยถูกระบุชื่อ ข้ออ้างเรื่องขนาดเพียงอย่างเดียวในโพสต์เปิดตัวเป็นเชิงเปรียบเทียบและไม่ได้ระบุปริมาณ เมื่อพฤติกรรมไม่เปิดเผยขนาด และพฤติกรรมของโมเดลนี้คือตารางการสุ่มตัวอย่างมากกว่าจะเป็นสถาปัตยกรรม จำนวนพารามิเตอร์จึงอาจเป็นแทบจะอะไรก็ได้ และไม่มีสิ่งที่เผยแพร่จะขัดแย้งกับมัน

ดังนั้นช่องจำนวนพารามิเตอร์จึงยังคงว่างเปล่า และตัวเลขใด ๆ ที่มีคนอ้างถึงขนาดของ G​limpse ในเดือนนี้ก็เป็นเพียงค่าประมาณที่แต่งตัวเป็นสเปก อนึ่ง สิ่งเดียวกันก็เป็นจริงในทางกลับกัน: อัตราส่วน 22.6 ต่อ 1 ของ K​olibri ไม่ได้บอกต้นทุนการทำอินเฟอเรนซ์บนฮาร์ดแวร์ของคุณ เพราะน้ำหนัก FP8 ในบล็อกขนาด 128x128 จำเป็นต้องมีการรองรับตัวเร่งเฉพาะจึงจะกลายเป็นข้อได้เปรียบ แทนที่จะเป็นเพียงขั้นตอนการแปลง

จุดที่แต่ละกลยุทธ์ล้มเหลว

ข้อจำกัดของ Kolibri คือการครอบคลุมภาษา และเป็นความตั้งใจ ภาษาเยอรมันและอังกฤษ ไม่มีอย่างอื่น สำหรับองค์กรยุโรปที่มีทราฟฟิกภาษาเยอรมัน นั่นถือเป็นคุณสมบัติเด่น — การผสมผสานการฝึกจะให้น้ำหนักไปที่ภาษาซึ่งโมเดลเปิดส่วนใหญ่ถือเป็นเพียงเศษเสี้ยวเล็กน้อย สำหรับคนอื่น ๆ มันเป็นคำตอบว่าไม่อย่างเด็ดขาด และไม่ว่าหน้าต่างบริบทจะมากเพียงใดก็ไม่สามารถชดเชยได้

ข้อจำกัดประการที่สองของมันคือการคำนวณเรื่องบริบทแบบยาว เส้นทางหนึ่งล้านโทเคนผ่านการตรวจสอบแล้ว ซึ่งใหญ่มากจริง ๆ แต่เส้นทางที่ผ่านการตรวจสอบไม่เหมือนกับเส้นทางที่ไม่เสื่อมคุณภาพ ที่ความยาวระดับนี้ ความแม่นยำในการดึงข้อมูลของโมเดลแทบทุกตัวจะลดลงนานก่อนที่หน้าต่างจะสิ้นสุด และไม่มีการประเมินที่เผยแพร่ใดบอกว่าเส้นโค้งของ Kolibri เริ่มเปลี่ยนทิศตรงจุดไหน ให้มองหน้าต่างเป็นความจุที่คุณจัดสรรได้ ไม่ใช่ความแม่นยำที่คุณสันนิษฐานได้

ข้อจำกัดของ Glimpse มีรูปร่างตรงกันข้าม: ความสามารถที่แคบโดยไม่มีสิ่งใดอยู่รอบๆ หากคำถามคือสิ่งที่เกิดขึ้นภายในเสี้ยววินาทีของฟุตเทจ Glimpse ก็มุ่งตรงไปที่สิ่งนั้นโดยตรง หากคำถามคือสิ่งที่ฉากหนึ่งบอกเป็นนัย แทนที่จะเป็นสิ่งที่มันระบุตรงๆ การย้อนกลับก็ไม่ช่วย — ใน Humanity's Sixth Sense เบนช์มาร์กที่ Elorian เผยแพร่ร่วมกับ Scale AI เก้าวันก่อนที่โมเดลจะเปิดตัว Glimpse ได้คะแนน 46.36 เทียบกับ 53.6 ของ GPT-6 Astra และการวิเคราะห์ความล้มเหลวของเบนช์มาร์กเองระบุว่า 94% ของข้อผิดพลาดที่ติดป้ายกำกับเกิดจากการมองเห็นและการอนุมาน มากกว่าการใช้เหตุผล การมองมากขึ้นไม่ใช่ความเข้าใจมากขึ้น และตารางของผู้ขายเองคือหลักฐาน

นอกจากนี้ยังมีปัญหาอีกประเภทหนึ่งที่ทั้งสองไม่ได้แก้ไข: ปัญหาที่คำตอบต้องเป็นค่าเกณฑ์ Glimpse เขียนร้อยแก้ว Kolibri อ่านและเขียน ทั้งสองไม่ได้ถูกออกแบบมาเพื่อคืนค่าตัวเลขที่ปรับเทียบแล้วต่อตัวเลือก และหากนั่นคือสิ่งที่ไปป์ไลน์ต้องการ เครื่องมือนี้ก็เป็นโมเดลอีกรูปแบบหนึ่งโดยสิ้นเชิง

จุดที่เลเยอร์การจัดเส้นทางคุ้มค่าที่จะมีอยู่ — และจุดที่มันไม่ใช่

โมเดลทั้งสองตั้งอยู่คนละด้านของขอบเขตที่การจัดเส้นทางสามารถเลื่อนได้ และอีกขอบเขตหนึ่งที่มันเลื่อนไม่ได้

ขอบเขตที่มันเลื่อนไปคือต้นทุนและความทนทานของการผสมเลน การที่ทีมหนึ่งรัน K​olibri บนตัวเร่งของตัวเองสำหรับทราฟฟิกภาษาเยอรมัน และใช้โมเดลแบบโฮสต์สำหรับอย่างอื่นนั้น หมายถึงมีเส้นทางโค้ดสองเส้น ภาวะล้มเหลวสองแบบ และชุดข้อมูลรับรองสองชุด OrcaRouter ยุบสิ่งนั้นให้เหลือคีย์เดียวหน้าโมเดลกว่า 200 ตัว ด้วย DSL การกำหนดเส้นทางที่ตัดสินว่าคำขอใดไปเลนไหน และ การสลับไปใช้ระบบสำรองอัตโนมัติที่ทำให้คำขอยังคงอยู่เมื่อเลนที่โฮสต์เองตันหรือล่ม ราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยไม่บวกเพิ่มต่อโทเคน ดังนั้นครึ่งที่โฮสต์ของส่วนผสมนั้นมีค่าใช้จ่ายเท่าที่ผู้ขายเรียกเก็บ และปรับตามราคาของผู้ขายรายนั้นในวันที่เปลี่ยน

เส้นแบ่งที่มันไม่ขยับคือการถือครองข้อมูล และตรงนี้ K​olibri มีข้อได้เปรียบที่ชั้นการจัดเส้นทางใด ๆ สร้างขึ้นเองไม่ได้ ค่าน้ำหนักของมันดาวน์โหลดได้ หากคอร์ปัสออกจากอาคารไม่ได้ เช็กพอยต์ Apache 2.0 เป็นเพียงตัวเดียวในสองตัวนี้ที่รัน ณ ที่ที่ข้อมูลอยู่ และการประเมินโมเดลใดก็ตามในสองตัวนี้ก็ไม่เปลี่ยนข้อเท็จจริงนั้น ทั้งสองโมเดลก็ไม่ได้อยู่ในแคตตาล็อกของเราเช่นกัน — K​olibri เป็นสิ่งที่ดาวน์โหลดได้ และ G​limpse เป็น API และอินเทอร์เฟซแชตของ E​lorian เอง — ดังนั้นนี่จึงเป็นคำกล่าวเกี่ยวกับวิธีที่เราจัดเส้นทาง ไม่ใช่การอ้างว่าเราให้บริการโมเดลเหล่านี้

จะตัดสินใจอย่างไรหากไม่มีเกณฑ์มาตรฐานร่วมกัน

ไม่มีกระดานคะแนนใดที่จัดอันดับสองตัวนี้ และไม่ใช่เพราะหนึ่งในนั้นใหม่ ตารางของ E​lorian วัดการรับรู้วิดีโอและภาพเทียบกับ GPT-6 Astra; การ์ดของ A​leph Alpha วัดความกว้างทางวิชาการตามปกติบวกการค้นคืนบริบทยาว ทั้งสองไม่มีงานร่วมกัน ดังนั้นการเปรียบเทียบเดียวที่สำคัญคือการเทียบกับภาระงานของคุณเอง

สามคำถามตัดสินเรื่องนี้ได้เร็วกว่าตารางใด ๆ

ข้อมูลจำเป็นต้องอยู่บนฮาร์ดแวร์ที่คุณควบคุมเองหรือไม่? ถ้าใช่ K​olibri คือตัวเลือกเดียวในที่นี้ สัญญาอนุญาตคือ Apache 2.0 และความครอบคลุมภาษาเยอรมัน-อังกฤษจะเหมาะกับการติดตั้งใช้งานของคุณ หรือไม่ก็ทำให้ต้องตัดตัวเลือกนั้นออกทันที

โหมดความล้มเหลวเป็นเชิงเวลาหรือไม่ — อัตลักษณ์ของวัตถุข้ามการถูกบดบัง การแพนเทียบกับการตัดฉาก เหตุการณ์ภายในหน้าต่างเวลาต่ำกว่าหนึ่งวินาที? ถ้าใช่ G​limpse เป็นโมเดลเดียวในสองตัวที่มีกลไกตามที่ระบุไว้ว่ารองรับเรื่องนี้ การสมัครฟรีทำให้การทดลองมีต้นทุนต่ำ และร่องรอยบอกคุณได้มากกว่าคะแนน: ลองรันคลิปของคุณเองและตรวจดูว่าโมเดลเคยย้อนกลับไปยังช่วงเวลาที่ตัดสินคำตอบหรือไม่

ภาระงานนี้เป็นแบบบริบทยาวแต่ไม่ใช่วิดีชายาวใช่ไหม — อย่างคลังเอกสาร ชุดเอกสารยื่นเรื่อง ร่องรอยการตรวจสอบ? ถ้าใช่ หน้าต่างขนาด 262,144 โทเคนแบบเนทีฟของ K​olibri พร้อมเส้นทางหนึ่งล้านโทเคนที่ผ่านการตรวจสอบแล้ว คือตัวเลขที่เกี่ยวข้อง และการประเมินที่เผยแพร่ของทั้งสองโมเดลก็ไม่ได้ให้ข้อสรุปว่ามันจะทนต่อเส้นโค้งความเสื่อมที่ความยาวเหล่านั้นได้หรือไม่ เรื่องนั้นต้องวัดกันจริง บนข้อมูลของคุณ ก่อนที่การตัดสินใจไม่ทางใดก็ทางหนึ่งจะปลอดภัย

ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกเป็นหลักฐานไว้ ซึ่งอยู่เบื้องหลังการเปิดตัวในลักษณะนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง ระดับความเชื่อมั่น และแฟล็กข้อโต้แย้งของตัวเอง